[학회후기]

서울에서 개최된 International Conference on Industrial Engineering and Applications (ICIEA) 학회에 참석하였다. 처음으로 oral presentation으로 진행하는 학회여서 준비과정이 쉽지만은 않아서 약간 걱정이 되었다. 결과적으로 수상을 하게 되어서 걱정과 다르게 좋은 결과를 얻을 수 있어서 기뻤다. 이번 학회 경험을 바탕으로 oral 발표에 대한 자신감이 생겨서 앞으로 다른 학회 발표에 많은 도움이 될 것 같다.

[발표후기]

Controllable 3D Asset Generation with Loss Guidance

발표후기: 2D 이미지 생성에서 flow model의 성공을 기반으로 3D object 생성에서도 flow model을 적용하고자 하는 모델들이 늘어나고 있다. 3D object 생성하는 과정에서 새로운 condition을 추가하고자 한다면 크게 2가지 접근법을 생각해볼 수 있다. 첫번째는 새로운 condition과 함께 모델을 다시 학습하는 것이다. 하지만 해당 과정은 비용이 많이 들기 때문에 효과적이지 않다. 두번째 방법은 기존 condition을 활용하는 방식이지만 해다 방법은 새로운 condition을 3D object 생성과정에 정확히 주입하기 어렵다. 따라서 본 연구에서는 3D object 생성과정에서 학습 없이 새로운 condition을 추가할 수 있는 loss guidance라는 방식을 제안했다. 베이스라인 모델로는 3D 생성 모델인 Trellis와 flow model에 새로운 condition을 추가할 수 있는 방식은 FlwoDPS를 결합했다. 하지만 단순히 두 모델을 결합하는 것으로는 좋은 성능을 보이기 어려웠다. 따라서 해당 연구에서는 최적화의 결과물인 latent과 velocity를 변형하는 방식을 제안하여 최종적으로 새로운 style codition을 3D object 생성과정에 주입할 수 있음을 확인했다. 하지만 예상했던 결과와는 다르게 velocity는 최적화하지 않은 기존 velocity를 사용하는게 최적이라는 결론에 도달하여 추가적인 연구가 필요한 상황이다. 이번 학회를 통해서 처음으로 영어로 oral presentation을 준비하면서 발표 스크립트가 입에 붙지 않아서 조금 어려움을 겪었다. 하지만 결과적으로 best presentation상을 수상하는 좋은 결과를 얻을 수 있어서 앞으로 영어 발표에 자신감을 가지고 준비할 수 있는 좋은 계기가 된 학회인것 같다.

질문 1: Trellis에서 사용하는 denoising step 수는?

답변 1: 일반적으로 25step을 활용합니다.

질문 2: 예상과는 반대되는 실험결과가 나왔는데 앞으로 어떤 방향성을 가지고 연구를 이어나갈 것인가?

답변 2: 현재까지는 왜 이런결과가 나왔는지 설명하기가 조금 어렵다. 추가적인 실험들을 진행하며 해당 발견을 설명할 수 있는 방안을 고민해보려고 한다.

[청취후기]

Support Vector Machine Control Chart for Quality 4.0 Data

청취후기: Support Vector Machine(SVM)을 활용한 control chart를 제안한 연구였다. 기존 control chart에서는 데이터가 normal distribution을 따른다는 가정 아래에서 설계되는 경우가 많았다. 하지만 이런 가정은 실제 데이터에서 대부분 만족하기 어려운 가정이기 때문에 control chart를 실제 데이터에 적용하기 어려운 한계점으로 지적되어 왔다. 따라서 해당 연구에서는 SVM을 활용해서 데이터 분포에 대한 가정이 없는 control chart를 제안했다. SVM에서는 decision boudary를 결정해주는 support vector들이 존재하며 support vector를 활용해서 정상과 비정상 과정에 대해서 구분하게 된다. 또한 비정상 데이터가 없는 경우 SVM을 학습하기 위해서 정상이라고 분류된 데이터 중 극단에 있는 값들을 비정상이라고 pseudo-label을 부여하여 SVM을 학습하는 방법을 제안했다. 실험결과에서 SVM을 활용한 control chart가 실제 데이터에서 우수한 성능을 보임을 확인할 수 있었다. Control chart 분야에서도 전통적인 방식 대신 머신러닝을 도입하려는 추세가 보이는것 같아서 흥미롭게 들었던 발표였다. 특히 SVM의 특성인 support vector로 공정의 정상과 이상을 구분하는 아이디어가 참신하다는 생각이 들었다. 앞으로 control chart에서도 머신러닝을 활용하는 연구들이 많이 활성화되기를 기대한다.